[发明专利]一种基于ARMA模型的投诉预测方法及装置

权利要求书

1.一种基于ARMA模型的投诉预测方法，其特征在于，包括：

获取多个连续时间段内的实际投诉数量，形成原始数据序列；设置建模条件，所述建模条件为所述原始数据序列为平稳非纯随机数据序列；

对所述原始数据序列进行预处理，得到当前数据序列；对所述原始数据序列进行校验，若校验结果为所述原始数据序列满足所述建模条件，则将所述原始数据序列作为当前数据序列；若校验结果为所述原始数据序列不满足所述建模条件，则对所述原始数据序列进行差分运算，得到当前数据序列；

根据所述当前数据序列确定与所述多个连续时间段相连续的下一个时间段所对应预测投诉数量的ARMA模型函数；ARMA模型函数如下：

其中，为t时刻的预测投诉数量，x_t-p……x_t-1分别为t-p时刻、……t-1时刻的实际投诉数量，φ₁、……、φ_p均为第一未知参数，θ₁、……、θ_q均为第二未知参数，ε_t-1、……、ε_t-q分别为t-1时刻、……、t-p时刻的随机误差项；

进一步包括：根据下述运算方式计算ARMA模型函数中的第一未知参数：φ₁、……、φ_p：

S1：令

计算AR(p)：

其中，x_i为i时刻的实际投诉数量，为实际投诉数量的均值，X_i′是实际投诉数量减去均值后再赋值给X_i；

为实际投诉数量减去均值，目的是数据中心化，消除不同变量间数值大小带来的影响，使得预测值的方差较小，因而预测值的估计也越精确；p：自回归阶数为p

S2：设中间值l、Y、X和β₁，令：

l＝max(p,q)；

β₁＝(φ₁，φ₂，…φ_p)；

n：n时刻

S3：计算β₁的最小二乘估计β₁＝(X^TX)^-1X^TY，解出φ₁、……、φ_p；

进一步包括：根据下述运算方式计算ARMA模型函数中θ₁、……、θ_q；

S4：令：

计算MA(q)：

q:θ_q≠0，滑动平均的阶数为q

S5：计算：

设中间值l、Y、X和β₂，令：

l＝max(p,q)；

β₂＝(-θ₁，-θ₂，…，-θ_q)；

S6：计算β₂的最小二乘估计β₂＝(ε^Tε)^-1ε^TY，解出θ₁、……、θ_q；

进一步包括：根据下述运算方式计算目标(p,q)：

其中，表示时间序列的方差估计；

将计算最小BIC(p,q)值的(p,q)作为目标(p,q)。

2.根据权利要求1所述的方法，其特征在于，在所述预测所述多个连续时间段的下一个时间段的投诉数量之前，进一步包括：

对所述ARMA模型函数进行检验；

S7：计算max(p,q)≤t≤n；计算

S8：计算其中，

S9：按照纯随机性检验过程中LB统计量及对应P值的计算公式得出误差序列ε_t对应的P值；

在P>0.05，检验通过，并执行所述预测所述多个连续时间段的下一个时间段的投诉数量。